Recuperação de imagens de línguas por conteúdo utilizando descritor fractal: estudo de caso considerando hipertensão sistêmica arterial

Abstract

As doenças crônicas não transmissíveis, em especial a Hipertensão Arterial Sistêmica (HAS), continuam a representar um grande desafio para a saúde pública, sendo a principal causa de óbitos entre homens, segundo o Ministério da Saúde. Este estudo apresenta o desenvolvimento de um sistema de recuperação de imagens baseado em conteúdo, centrado na análise de textura de imagens de línguas diagnosticadas de acordo com a Medicina Tradicional Chinesa. O sistema tem como objetivo recuperar as cinco imagens mais similares à imagem de consulta, utilizando as medidas de similaridade Euclidiana e Manhattan. Para isso, diferentes descritores de textura foram aplicados, com destaque para o descritor Fractal, que teve seus resultados comparados aos dos descritores GLCM, LBP e a combinação de Fractal com LBP. A avaliação do desempenho do sistema foi realizada por meio do gráfico de Precisão versus Revocação e da AUC, utilizando testes padronizados com imagens das categorias com diagnóstico positivo e negativo para HAS. Os resultados demonstram que, embora o descritor GLCM tenha mostrado melhor desempenho para imagens com diagnóstico negativo para HAS, ele apresentou o pior desempenho para imagens com diagnóstico positivo. Em contraste, a combinação dos descritores Fractal e LBP apresentou um desempenho mais consistente e linear em ambos os grupos. Esses resultados destacam a influência do tipo de descritor e zdas características da imagem no desempenho do sistema de CBIRChronic non-communicable diseases, especially Systemic Arterial Hypertension (HAS), continue to pose a significant public health challenge, being the leading cause of death among men, according to the Ministry of Health. This study develops a content-based image retrieval system focused on texture analysis of tongue images diagnosed according to Traditional Chinese Medicine criteria. The system aims to retrieve the five most similar images to the query image, using Euclidean and Manhattan similarity measures. For this purpose, different texture descriptors were applied, with emphasis on the Fractal descriptor, whose results were compared to those of the GLCM, LBP, and the combination of Fractal with LBP. The system’s performance is evaluated through the Precision versus Recall graph and the AUC, with standardized tests applied to images from the categories with positive and negative diagnoses for HAS. The results indicate that, although the GLCM descriptor shows superior performance for images with negative diagnoses for HAS, it performs the worst for positive diagnoses. In contrast, the concatenated Fractal and LBP descriptors demonstrate more consistent and linear performance across both groups, while the Fractal descriptor alone did not stand out as the best in any of the tests. These findings also highlight the strong influence that the type of descriptor and the image characteristics on the system’s performance